Perbandingan Performa Algoritma Deep Learning dan Machine Learning untuk Klasifikasi Text Aduan di Sosial Media
DOI:
https://doi.org/10.48144/suryainformatika.v16i2.2509Keywords:
Text Classification, Machine Learning, Naive Bayes, Support Vector Machine, CNN, LSTMAbstract
Perkembangan media sosial menghasilkan volume data aduan publik berbahasa Indonesia yang besar dan beragam sehingga diperlukan metode klasifikasi otomatis yang efektif dan efisien. Penelitian ini bertujuan membandingkan performa algoritma machine learning, yaitu Naive Bayes dan Support Vector Machine (SVM), dengan algoritma deep learning, yaitu Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan Generative Adversarial Network (GAN), dalam melakukan klasifikasi teks aduan publik. Kebaruan penelitian ini terletak pada evaluasi penggunaan GAN sebagai model klasifikasi melalui komponen Discriminator pada konteks aduan publik berbahasa Indonesia. Dataset yang digunakan terdiri atas 5.000 data teks yang diperoleh dari media sosial, dengan distribusi 2.127 data Complaint (42,5%) dan 2.873 data Not Complaint (57,5%). Tahapan penelitian meliputi preprocessing teks, pembagian data menggunakan stratified sampling dengan proporsi 80% data latih dan 20% data uji, serta evaluasi model menggunakan Accuracy, Precision, Recall, dan F1-Score berdasarkan rata-rata tiga kali pengujian. Hasil penelitian menunjukkan bahwa Naive Bayes menghasilkan performa terbaik dengan Accuracy sebesar 77,50%, Precision 77,41%, Recall 77,50%, dan F1-Score 77,31%. Model berikutnya adalah CNN dengan F1-Score 77,09%, SVM sebesar 74,67%, LSTM sebesar 73,66%, dan GAN sebesar 41,98%. Rendahnya performa GAN dipengaruhi oleh ketidakstabilan proses pelatihan adversarial, sedangkan LSTM mengalami kecenderungan overfitting pada dataset berukuran sedang. Penelitian ini menunjukkan bahwa Naive Bayes lebih efektif untuk klasifikasi aduan publik dengan jumlah data terbatas karena memiliki akurasi kompetitif dan kompleksitas komputasi yang lebih rendah. Penelitian selanjutnya dapat mengembangkan dataset yang lebih besar, memperluas kategori aduan, menerapkan teknik augmentasi data, serta mengeksplorasi model berbasis transformer seperti BERT dan IndoBERT
References
M. Purba, F. Ilmu Komputer, and U. Sjakhyakirti, “Klasifikasi Dataset Teks Pengaduan Masyarakat Terhadap Pemerintah di Sosial Media Menggunakan Logistic Regression Article Info ABSTRAK,” JSAI: Journal Scientific and Applied Informatics, vol. 7, no. 1, p. 5, doi: 10.36085.
S. Anadas and R. R. Suryono, “Analisis Sentimen Publik Terhadap Program Lapor Mas Wapres Periode 2024 di Media Sosial X Menggunakan Metode Naive Bayes dan Support Vector Machine (SVM),” Jurnal Pendidikan dan Teknologi Indonesia, vol. 5, no. 8, pp. 2183–2192, Aug. 2025, doi: 10.52436/1.jpti.934.
D. Purnomo, W. Firgiawan, and N. Nur, “Komparasi Algoritma Random Forest, Naïve Bayes, dan SVM pada Sentimen Kebijakan PPN 12%”, jtk, vol. 19, no. 2, pp. 155 - 167, May 2025.
F. A. A. Setiawan and R. N. S. Fathonah, “Tinjauan Sistematis Literatur: Analisis Sentimen terhadap Per-sepsi Publik tentang Kecerdasan Buatan di Media So-sial,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 5, Jul. 2025, doi: 10.36040/jati.v9i5.14963.
F. Pradana Rachman, H. Santoso, and A. History, “Jurnal Teknologi dan Manajemen Informatika Per-bandingan Model Deep Learning untuk Klasifikasi Sentiment Analysis dengan Teknik Natural Lan-guange Processing Article Info ABSTRACT,” vol. 7, no. 2, pp. 103–112, 2021, [Online]. Available: http://http://jurnal.unmer.ac.id/index.php/jtmi
Sun, W., Cai, Z., Li, Y., Liu, F., Fang, S., & Wang, G. (2018). Data processing and text mining technologies on electronic medical records: a review. Journal of healthcare en-gineering, 2018(1), 4302425.
Crone, S. F., Lessmann, S., & Stahlbock, R. (2006). The impact of preprocessing on data mining: An evaluation of classifier sensitivity in direct marketing. European Journal of Operational Research, 173(3), 781-800.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM, 63(11), 139-144.
Kim, Y. (2014, October). Convolutional neu-ral networks for sentence classification. In Proceedings of the 2014 conference on em-pirical methods in natural language pro-cessing (EMNLP) (pp. 1746-1751).
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computa-tion, 9(8), 1735-1780.
KASSA, Murni; TANGKAWAROW, Irene Realyta Haldy Trosi. Studi Literatur: Ana-lisis Penggunaan Support Vector Machine dalam Klasifikasi Teks Berita Distribusi Logistik Pilkada 2024. Edutik: Jurnal Pen-didikan Teknologi Informasi dan Komu-nikasi, 2026, 6.1: 304-312.
Zahara, S., & Sugianto, S. (2021). Prediksi indeks harga konsumen komoditas ma-kanan berbasis cloud computing menggunakan multilayer perceptron. Journal of Information Technology and Computer Science, 6(1), 21-28.
